[論文レビュー] AutonoVi: Autonomous Vehicle Planning with Dynamic Maneuvers and Traffic Constraints

Andrew Best, Sahil Narang+2 more|arXiv (Cornell University)|Mar 24, 2017

Autonomous Vehicle Technology and Safety参考文献 23被引用数 11

ひとこと要約

AutonoViは、データ駆動型の車両動力学モデルを用いて、交通ルール準拠、動的車線変更、ブレーキとステアリングの併用を可能にする最適化ベースの自動運転計画フレームワークを提示する。密度の高い都市部および高速道路シナリオにおける歩行者、自転車、車両を伴うシミュレーションでも、1～2ミリ秒/更新というインタラクティブレートの性能を達成し、リアルタイム制約下でも衝突のないナビゲーションを保証する。

ABSTRACT

We present AutonoVi:, a novel algorithm for autonomous vehicle navigation that supports dynamic maneuvers and satisfies traffic constraints and norms. Our approach is based on optimization-based maneuver planning that supports dynamic lane-changes, swerving, and braking in all traffic scenarios and guides the vehicle to its goal position. We take into account various traffic constraints, including collision avoidance with other vehicles, pedestrians, and cyclists using control velocity obstacles. We use a data-driven approach to model the vehicle dynamics for control and collision avoidance. Furthermore, our trajectory computation algorithm takes into account traffic rules and behaviors, such as stopping at intersections and stoplights, based on an arc-spline representation. We have evaluated our algorithm in a simulated environment and tested its interactive performance in urban and highway driving scenarios with tens of vehicles, pedestrians, and cyclists. These scenarios include jaywalking pedestrians, sudden stops from high speeds, safely passing cyclists, a vehicle suddenly swerving into the roadway, and high-density traffic where the vehicle must change lanes to progress more effectively.

研究の動機と目的

• 初心者ドライバーを模倣する保守的・反応的な自動運転行動の限界を解消すること。
• 複雑な交通状況において、車線変更、避け行動、ブレーキとステアリングの併用といった動的マニューバをサポートするナビゲーションシステムを開発すること。
• 停止サインや車線維持などの交通ルール、歩行者への譲り行為などの行動規範を軌道計画に統合すること。
• 複数の動的エージェント（車両、歩行者、自転車）を伴う密な交通状況でも、安全性と快適性を確保しながらリアルタイム性能を達成すること。
• 既存の計画システムに一般的に適用可能な動的車両動力学モデルの欠如を克服し、加速、ステアリング、減速のデータ駆動型プロファイルを導入すること。

提案手法

• 乗客の快適性、安全な通過距離、動的実行可能性、ルート進行度をバランスさせる多目的最適化フレームワークを採用し、最適な軌道を計算する。
• シミュレーション実験を経て一般化された車両タイプにわたる、各車両ごとのプロファイル関数（加速、ステアリング速度、減速）を生成するデータ駆動型車両動力学モデルを活用する。
• 動的エージェント（ブレーキとステアリングの併用応答を含む）との衝突回避を実現するため、制御速度障害（CVOs）を実装する。
• 車線中央線に沿ったアーサイムスプライン表現を用いて初期軌道を構築し、車線維持と交通ルール制約を満たす。
• 運動学的および動的制約を計画ループに統合しながら、反復的衝突回避と最適化による軌道の最適化を実施する。
• 物理学ベースの交通シミュレータを用いて、急停止、路上横断歩行者、高密度交通など多様なシナリオでの性能を評価する。

実験結果

リサーチクエスチョン

• RQ1 最適化ベースの計画フレームワークは、安全を確保しつつ、リアルタイムで多様なマニューバ（例：車線変更、避け行動、ブレーキング）を実行できるか？
• RQ2 データ駆動型の車両動力学モデルは、異なる車両タイプや道路状況にわたって計画を一般化するためにどのように活用できるか？
• RQ3 統一された軌道計画者が、動的実行可能性を維持しつつ、交通ルール（例：信号での停止）や行動規範（例：歩行者への譲り）をどの程度効果的に強制できるか？
• RQ4 複数のエージェントを伴う密な交通状況において、衝突チェックと軌道最適化の計算コストはどの程度か？
• RQ5 急な障害物や路上横断歩行者のような高リスクシナリオにおいて、システムの性能はいかがであるか？

主な発見

• アルゴリズムは平均1～2ミリ秒/ナビゲーション更新というインタラクティブな性能を達成しており、主に最適化評価に起因する。
• 衝突回避コストは近隣エージェント数に比例して増加し、密な交通状況でも予測可能な性能を示している。
• 軌道最適化コストも、サンプリングされた軌道数に比例して増加しており、コアアルゴリズムのスケーラビリティを裏付けている。
• すべてのテストシナリオ（急な車両侵入、高速での緊急停止、路上横断歩行者を含む）でエゴ車両は衝突を回避した。
• 安全な状況であれば、動的車線変更が効果的に使用され、歩行者に近づくと車線変更を安全なタイミングまで延期するように適応した。
• データ駆動型の動力学モデルにより、スポーツカー、ハッチバック、SUVなど異なる車両タイプにおいて、正確で一般化可能な車両行動の表現が可能になったが、取り扱いの制約により大型車両では速度低下が観察された。